NPB-REC:一种非参数贝叶斯深度学习方法,用于低样本MRI重建,以不确定性估计
Samah Khawaled1, Moti Freiman2
1The Interdisciplinary program in Applied Mathematics, Faculty of Mathematics, Technion - Israel Institute of Technology, Israel.
Artificial intelligence in medicine
|March 10, 2024
概括
一个新的贝叶斯框架NPB-REC增强了从低样本数据的MRI重建. 它提高了图像质量,量化了不确定性,为更安全的深度学习临床应用铺平了道路.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 贝叶斯的推理是贝叶斯的推理.
背景情况:
- 加快MRI采集对于临床工作流程和患者舒适性至关重要.
- 深度学习 (DL) 方法显示出从低样本数据重建MRI的前景.
- 在基于DL的MRI重建中量化不确定性对于临床采用至关重要.
研究的目的:
- 介绍NPB-REC,一个非参数的完全贝叶斯框架,用于MRI重建的不确定性估计.
- 提高重建的准确性,并为低样本MRI数据提供可靠的不确定性量化.
- 提高DL在加速MRI的临床适用性.
主要方法:
- 利用静态梯度朗格温动力学用于训练,以表征网络参数的后部分布.
- 开发了一个非参数完全贝叶斯框架 (NPB-REC) 用于MRI重建.
- 在快速MRI挑战数据集上验证,与端到端变异网络 (E2E-VarNet) 进行比较.
主要成果:
- 与E2E-VarNet (PSNR: 33.08, SSIM: 0.897) 相比,NPB-REC在R=8.8时实现了更高的重建精度 (PSNR: 34.55,SSIM: 0.908),而不是E2E-VarNet.
- 来自NPB-REC的不确定性指标显示,与重建错误 (R=0.94) 的相关性比基线 (R=0.91) 更强.
- 在解剖分布 (大脑到膝盖数据) 中证明了改进的概括性.
结论:
- NPB-REC有效地从低样本数据重建高质量的MRI,同时提供可靠的不确定性估计.
- 该框架提供了更高的准确性和更好的泛化,解决了当前DL方法的关键局限性.
- NPB-REC促进了DL的安全和可靠的临床使用,以加速MRI获取.
更多相关视频
06:45Author Spotlight: Integrated Photoacoustic, Ultrasound, and Angiographic Tomography (PAUSAT) for NonInvasive Whole-Brain Imaging of Ischemic Stroke
Published on: June 2, 2023
1.3K
07:53Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer
Published on: October 13, 2023
1.4K
